面向包裝印刷行業(yè)的產(chǎn)品設(shè)計(jì)主題詞提取算法

胡威

摘要：包裝印刷行業(yè)的產(chǎn)品設(shè)計(jì)與眾多設(shè)計(jì)要素相關(guān)。傳統(tǒng)的產(chǎn)品設(shè)計(jì)依賴于設(shè)計(jì)者的主觀判斷，設(shè)計(jì)效率較低?？梢酝ㄟ^(guò)對(duì)網(wǎng)絡(luò)數(shù)據(jù)的分析提供相應(yīng)的支持。需在進(jìn)行文本分析時(shí)，現(xiàn)有主題詞提取算法中，特征項(xiàng)的選擇往往只與文本本身的特點(diǎn)有關(guān)，而與包裝印刷行業(yè)的產(chǎn)品設(shè)計(jì)要素?zé)o關(guān)，導(dǎo)致主題詞提取效率較低。通過(guò)增加設(shè)計(jì)要素權(quán)重因子，構(gòu)建CF-TF-IDF權(quán)重函數(shù)，可提高特征項(xiàng)選擇效率，并降低提取時(shí)文本的特征項(xiàng)維度。實(shí)驗(yàn)表明，基于CF-TF-IDF的設(shè)計(jì)要素主題詞提取算法具有更高的準(zhǔn)確率和處理效率。

關(guān)鍵詞：包裝印刷；產(chǎn)品設(shè)計(jì)；特征項(xiàng)；主題詞提取

DOIDOI：10.11907/rjdk.143959

中圖分類號(hào)：TP312

文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)文章編號(hào)：16727800（2015）001005403

0 引言

產(chǎn)品設(shè)計(jì)是包裝印刷行業(yè)的核心工作之一，其與眾多的設(shè)計(jì)要素具有密切的關(guān)系。傳統(tǒng)包裝印刷行業(yè)的產(chǎn)品設(shè)計(jì)依賴于設(shè)計(jì)者的主觀判斷，使得產(chǎn)品設(shè)計(jì)往往與實(shí)際設(shè)計(jì)需求脫節(jié)，缺少足夠的設(shè)計(jì)參考。通過(guò)對(duì)網(wǎng)絡(luò)數(shù)據(jù)進(jìn)行分析，可以及時(shí)準(zhǔn)確獲取與產(chǎn)品設(shè)計(jì)相關(guān)的設(shè)計(jì)要素的發(fā)展趨勢(shì)，從而為設(shè)計(jì)提供支持。為獲取有效數(shù)據(jù)資源，首先要對(duì)網(wǎng)絡(luò)數(shù)據(jù)的主題詞進(jìn)行抽取[1，2]。但由于包裝印刷行業(yè)的產(chǎn)品設(shè)計(jì)具有其行業(yè)特點(diǎn)，現(xiàn)有主題詞抽取方法往往較關(guān)注主題詞本身的抽取，難以滿足產(chǎn)品設(shè)計(jì)要求。

本文分析包裝印刷行業(yè)設(shè)計(jì)要求，提取產(chǎn)品設(shè)計(jì)的關(guān)鍵要素。在此基礎(chǔ)上，對(duì)網(wǎng)絡(luò)數(shù)據(jù)進(jìn)行分析，提取與關(guān)鍵要素相關(guān)的主題詞，再以此為基礎(chǔ)來(lái)進(jìn)行數(shù)據(jù)分析。以包裝印刷行業(yè)的產(chǎn)品設(shè)計(jì)要求來(lái)進(jìn)行數(shù)據(jù)抽取，為實(shí)際產(chǎn)品設(shè)計(jì)提供高效的數(shù)據(jù)支持。

1 主題詞提取研究現(xiàn)狀

大量網(wǎng)絡(luò)數(shù)據(jù)以文本的形式存在。要獲取有效的數(shù)據(jù)資源，就需要對(duì)文本進(jìn)行分析，獲取文本的主題詞，即主題詞提取。所提取的主題詞在對(duì)文本進(jìn)行分析時(shí)，被用作文本主題的描述詞[3]。主題詞是面向信息索引和檢索的標(biāo)準(zhǔn)化語(yǔ)言，是信息檢索的基礎(chǔ)。國(guó)內(nèi)外對(duì)主題詞提取已開展深入探索和研究。

對(duì)于小規(guī)模文本，通過(guò)提出相關(guān)的文本內(nèi)容能夠提供主題詞提取線索，從而達(dá)到從給定文本中提取主題詞的目標(biāo)[4]。在此方法中，由于充分利用了相關(guān)文本所提供的線索，從而能同時(shí)處理文本摘要：和主題詞提取。對(duì)于英文主題詞提取而言，由于英文語(yǔ)言本身的特點(diǎn)，關(guān)注點(diǎn)主要是進(jìn)行詞干加工。因此，可以構(gòu)建出對(duì)英文文本的主題詞自動(dòng)提取系統(tǒng)[5]，由于不需要進(jìn)行分詞處理，因此系統(tǒng)效率較高。中文文本的主題詞提取，可以從語(yǔ)義的角度進(jìn)行分析，構(gòu)建出語(yǔ)義網(wǎng)絡(luò)，使用概念之間的匹配來(lái)進(jìn)行處理[6]。通過(guò)這種方法能夠解決傳統(tǒng)方法以關(guān)鍵詞：進(jìn)行主題詞提取的缺陷。通過(guò)對(duì)詞頻率進(jìn)行分析，同樣可以進(jìn)行主題詞提取。通過(guò)增加文本預(yù)處理環(huán)節(jié)，能夠進(jìn)行合成詞的識(shí)別，進(jìn)而提高主題詞提取的滿意度[7]。

通過(guò)主題詞提取，能夠獲取文本內(nèi)容的基本描述?，F(xiàn)有的主題詞提取方法主要關(guān)注于一般文本內(nèi)容，缺少對(duì)行業(yè)應(yīng)用領(lǐng)域的背景分析。通過(guò)對(duì)包裝印刷行業(yè)產(chǎn)品設(shè)計(jì)要素進(jìn)行分析，將產(chǎn)品設(shè)計(jì)要素與主題詞的提取進(jìn)行關(guān)聯(lián)，從而提高數(shù)據(jù)資源獲取效率，為包裝印刷行業(yè)產(chǎn)品設(shè)計(jì)提供參考。

2 基于產(chǎn)品設(shè)計(jì)要素的主題詞提取算法

2.1 包裝印刷行業(yè)的產(chǎn)品設(shè)計(jì)要素分析

包裝印刷行業(yè)中的產(chǎn)品設(shè)計(jì)，不僅是對(duì)產(chǎn)品本身特點(diǎn)的關(guān)注，與應(yīng)用場(chǎng)景密切相關(guān)，還需要與眾多的外在設(shè)計(jì)要素進(jìn)行關(guān)聯(lián)。而應(yīng)用場(chǎng)景往往隨著時(shí)間而發(fā)生變化，這就要求產(chǎn)品設(shè)計(jì)能適應(yīng)應(yīng)用場(chǎng)景的變化，滿足新的設(shè)計(jì)要求。應(yīng)用場(chǎng)景的變化與熱點(diǎn)事件、用戶群體特性、時(shí)節(jié)、地域等多種外在因素相關(guān)。這些外在因素往往能在互聯(lián)網(wǎng)上以文本形式出現(xiàn)，并及時(shí)更新。因此，通過(guò)分析互聯(lián)網(wǎng)上的文本，能夠及時(shí)、有效地了解潛在的設(shè)計(jì)要求與設(shè)計(jì)趨勢(shì)，從而為產(chǎn)品設(shè)計(jì)提供支持。

定義包裝印刷行業(yè)的產(chǎn)品設(shè)計(jì)要素合S。S中包含所有的設(shè)計(jì)要素，共n個(gè)，記為E1， E2， E3， … En。每個(gè)設(shè)計(jì)要素Ei具有屬性A （Ei）和相關(guān)系數(shù)C（Ei）。其中，屬性A（Ei）表示設(shè)計(jì)要素所具有的設(shè)計(jì)屬性，是對(duì)設(shè)計(jì)要素Ei的基本描述；相關(guān)系數(shù)表示設(shè)計(jì)要素Ei與產(chǎn)品設(shè)計(jì)之間的關(guān)聯(lián)程度。相關(guān)系數(shù)C（Ei）實(shí)際上表達(dá)了設(shè)計(jì)要素Ei在整個(gè)產(chǎn)品設(shè)計(jì)中的重要程度，是一個(gè)權(quán)重系數(shù)。

2.2 文本向量空間模型

文本經(jīng)過(guò)預(yù)處理后，可以得到分離出來(lái)的詞。這些詞是從文本當(dāng)中抽取出來(lái)的關(guān)鍵詞：，用來(lái)表示文本的特征項(xiàng)，代表文本的性質(zhì)和特點(diǎn)?；诋a(chǎn)品設(shè)計(jì)要素的主題詞提取算法采用向量空間模型的方法來(lái)表示文本。從文本集合向向量空間模型進(jìn)行映射時(shí)，整個(gè)文本集合映射為向量空間；文本映射為向量空間中的向量，文本的特征項(xiàng)映射為向量的維度，從而構(gòu)成完整的文本集合的向量表示形式。

向量空間中包含m個(gè)文本的文本集合S表示為：

S=（D1，D2，...，Dm）（1）

所包含的文本Di，可以使用其特征項(xiàng)表示為：

Di={t1，t2，...，tr}（2）

其中，tj表示文本Di的第j個(gè)特征項(xiàng)，r是文本Di的特征項(xiàng)個(gè)數(shù)，也是向量空間中向量的維度。為體現(xiàn)不同的特征項(xiàng)對(duì)文本的重要程度，可以給特征項(xiàng)增加權(quán)重。基本的權(quán)重函數(shù)采用TF-IDF權(quán)重函數(shù)[8]。在TF-IDF權(quán)重函數(shù)中，TF（Term Frequency）是指特征項(xiàng)的詞頻，反映了文本中該特征項(xiàng)的出現(xiàn)頻率；IDF（Inverse Document Frequency）是指反比文本頻率，反映了特征項(xiàng)在多個(gè)文本中同時(shí)出現(xiàn)的頻率。TF-IDF的計(jì)算方法如下所示：

Wij=TF-IDF（tj）=TF（tj）×IDF（tj）=Frij×logmMj+α（3）

其中，對(duì)于特征項(xiàng)tj，TF-IDF（tj）表示其TF-IDF權(quán)重；Frij表示其在文本Di中出現(xiàn)的頻率，是其TF權(quán)重；Mj表示出現(xiàn)特征項(xiàng)tj的文本數(shù)量。計(jì)算特征項(xiàng)tj的IDF權(quán)重。通過(guò)歸一化來(lái)減少文本長(zhǎng)度所帶來(lái)的影響，增加分母作為歸一化因子，通過(guò)計(jì)算TF-IDF的幾何平均值來(lái)降低文本長(zhǎng)度所帶來(lái)的影響[9]，為：

Wij=TF-IDF（tj）=Frij×logmMj+α∑mi=1Frij×logmMj+α2（4）

2.3 基于產(chǎn)品設(shè)計(jì)要素的主題詞提取算法主題詞提取是文本分析的基礎(chǔ)工作。從式（4）可以發(fā)現(xiàn)，傳統(tǒng)的主題詞提取方法往往關(guān)注文本本身主題詞提取，而包裝印刷行業(yè)的產(chǎn)品設(shè)計(jì)，需要關(guān)注與行業(yè)相關(guān)的文本分析。采用傳統(tǒng)方法，會(huì)得到大量無(wú)關(guān)的主題詞，并獲得大量無(wú)關(guān)的文本，增加文本分析的難度和工作量。因此對(duì)式（4）權(quán)重計(jì)算方法進(jìn)行優(yōu)化和改進(jìn)，基于產(chǎn)品設(shè)計(jì)要素進(jìn)行主題詞提取算法設(shè)計(jì)。根據(jù)對(duì)設(shè)計(jì)要素的定義，每個(gè)設(shè)計(jì)要素Ep，都有一個(gè)C（Ep），表示Ep對(duì)于設(shè)計(jì)的重要程度。為了反映設(shè)計(jì)要素在文本中的出現(xiàn)頻率、重要程度，將C（Ep）作為特征項(xiàng)的一個(gè)重要權(quán)重系數(shù)。結(jié)合TF-IDF權(quán)重函數(shù)，則基于產(chǎn)品設(shè)計(jì)要素的主題詞提取算法中的權(quán)重計(jì)算公式為：

Wij=CF（tj）×（TF-IDF（tj））（5）

其中，權(quán)重Wij由兩個(gè)部分構(gòu)成，分別是CF（tj）和TF-IDF權(quán)重；新加入的CF（tj）稱為設(shè)計(jì)要素權(quán)重因子。新的權(quán)重計(jì)算方法稱為CF-TF-IDF權(quán)重函數(shù)。則根據(jù)式（4），權(quán)重Wij的計(jì)算可表達(dá)為：

Wij=CF（tj）×（TF-IDF（tj））=CF（tj）×Frij×logmMj+α∑mi=1Frij×logmMj+α2（6）

其中，設(shè)計(jì)要素權(quán)重因子包括兩個(gè)部分，除了C（Ep）外，還包括特征項(xiàng)相似度系數(shù)Sim（Ep），即特征項(xiàng)與設(shè)計(jì)要素之間的相似程度。如果相似則Sim（Ep）為1，否則為0。從而，式（6）可進(jìn)一步表達(dá)為：

Wij=CF（tj）×（TF-IDF（tj））=（（C（Ep）×Sim（Ep））×Frij×logmMj+α∑mi=1Frij×logmMj+α2（7）

根據(jù)式（7），文本Di的特征項(xiàng)按照權(quán)重能夠形成一個(gè)有序的序列。在此序列中，無(wú)關(guān)特征項(xiàng)已被篩選出，極大地降低了向量空間的維度。根據(jù)式（7），主題詞提取算法步驟如圖1所示。其中，通過(guò)文本預(yù)處理來(lái)獲取分離后的詞；然后分別計(jì)算TF-IDF和CF，進(jìn)而計(jì)算出Wij；再根據(jù)權(quán)重值進(jìn)行特征項(xiàng)的排序和提??；最后根據(jù)向量空間中的特征項(xiàng)來(lái)進(jìn)行主題詞提取與輸出，為文本聚類分析作好準(zhǔn)備。

圖1 算法步驟

3 實(shí)驗(yàn)結(jié)果與分析

比較CF-TF-IDF與傳統(tǒng)的TF-IDF之間在特征項(xiàng)提取上的有效性和效率。實(shí)驗(yàn)數(shù)據(jù)集為從互聯(lián)網(wǎng)上抽取的5 000篇文本數(shù)據(jù)集合。實(shí)驗(yàn)步驟：首先對(duì)數(shù)據(jù)集合進(jìn)行預(yù)處理，形成基本的特征項(xiàng)集合；然后按照算法步驟進(jìn)行特征項(xiàng)提取。

在預(yù)期特征項(xiàng)中，選擇與包裝印刷設(shè)計(jì)要素相關(guān)的詞作為特征項(xiàng)；然后分別由CF-TF-IDF和TF-IDF的特征項(xiàng)提取結(jié)果進(jìn)行對(duì)比。具體實(shí)驗(yàn)結(jié)果如圖2所示。顯然，DF-TF-IDF在特征項(xiàng)選擇上具有比TF-IDF更高的準(zhǔn)確率。TF-IDF只根據(jù)文本本身的特點(diǎn)進(jìn)行特征項(xiàng)提取；因此，盡管TF-IDF能夠抓住文本的特點(diǎn)，并提取特征項(xiàng)，但由于未考慮包裝印刷行業(yè)產(chǎn)品設(shè)計(jì)的特點(diǎn)，所提取的特征項(xiàng)可能無(wú)法體現(xiàn)其與設(shè)計(jì)要素之間的關(guān)系。而CF-TF-IDF方法則通過(guò)設(shè)計(jì)要素權(quán)重因子，在選擇特征項(xiàng)時(shí)，直接通過(guò)權(quán)重來(lái)進(jìn)行篩選，從而使得特征項(xiàng)選擇更符合行業(yè)應(yīng)用設(shè)計(jì)要求。

圖2 CF-TF-IDF與TF-IDF的特征項(xiàng)選擇準(zhǔn)確率比較

4 結(jié)語(yǔ)

以包裝印刷行業(yè)的產(chǎn)品設(shè)計(jì)為中心，抽取出設(shè)計(jì)要素，形成設(shè)計(jì)要素權(quán)重因子，進(jìn)而構(gòu)建出CF-TF-IDF權(quán)重函數(shù)。通過(guò)該權(quán)重函數(shù)，將包裝印刷行業(yè)產(chǎn)品設(shè)計(jì)的

行業(yè)特點(diǎn)納入到主題詞提取過(guò)程當(dāng)中，為面向產(chǎn)品設(shè)計(jì)的數(shù)據(jù)分析提供支持，提高設(shè)計(jì)效率。